Спецпроекты

oбзор

Обзор: ИТ в транспортной отрасли 2018

https://clover.global/

Точный прогноз: как искусственный интеллект предотвращает простои подвижного состава

Точный прогноз: как искусственный интеллект предотвращает простои подвижного состава
Источник фото ru.depositphotos.com

Цифровая трансформация затрагивает все больше различных сфер. Не стала исключением и транспортная отрасль, где появляются новые задачи в управлении логистикой и эксплуатации инфраструктуры. Транспортным предприятиям необходимо развивать цифровые и интеллектуальные технологии в управлении железнодорожными и автомобильными перевозками, автомобилестроении и локомотивостроении, депо и ремонтными цехами.

Большим спросом в транспортной сфере пользуются технологии прогнозирования, предиктивной аналитики. Уже сейчас накоплен колоссальный объем данных для оценки состояния эксплуатируемых единиц, выявления зарождений и развития аномалий и трендов, приводящих к незапланированным сбоям и нарушениям в работе, фиксации вероятности отказа и остаточного ресурс в режиме реального времени работы. Точное прогнозирование технического и качественного состояния позволяет предприятиям транспортной отрасли сокращать затраты на эксплуатацию оборудования, рекламационное обслуживание и повышать конкурентоспособность.

В мировой практике получают все большее распространение интеллектуальные железнодорожные системы. Мощный импульс их развитию придали современные инструменты, такие как гибридные модели, искусственный интеллект, машинное и глубокое обучение и другие. Данные технологии позволяют оптимизировать транспортные ресурсы, тем самым повысив эффективность перевозок.

Важнейшая задача в эксплуатации железнодорожного тягового подвижного состава – мониторинг и прогнозирование его технологических характеристик, планирование и оптимизация проведения предиктивного ремонта с учетом инфраструктурных и технологических ограничений железнодорожного транспорта общего пользования. Для решения этой комплексной задачи специалистами Clover Group разработаны инновационные решения, подходы к анализу, уровни зрелости данных и моделей.

infographicloco_2.png
Источник: Clover Group
Статистика использования подвижного состава

При этом эмпирически установлено, что существует потребность в локомотиве, который на всем жизненном цикле будет готов к эксплуатации не менее 95% времени его срока службы.

Соответствующая задача была поставлена перед ЗАО «Трансмашхолдинг» (по строящимся и разрабатываемым локомотивам) и ООО «ЛокоТех» (по уже существующим локомотивам, находящимся на сервисном обслуживании). Решение этой задачи создает колоссальный потенциал для экономии средств, поскольку, например, для «Российских железных дорог» перепростой на плановых видах ремонта, а также заходы на межпоездной ремонт и ожидание свободных ремонтных позиций приводят к необходимости ежесуточно изымать из эксплуатации более 1000 локомотивов.

Большую роль в комплексной программе оптимизации играет повышение надежности новых и отремонтированных локомотивов. Низкий уровень надежности, а также несоблюдение заводами и депо технологий ремонта приводят к необходимости содержать большой парк тяговых единиц.

Предиктивная аналитика в пригородном сообщении

Отказы в работе пригородных электропоездов – нередкий случай в повседневной эксплуатации подвижного состава. Негативное последствие технического отказа – сбой графика движения поездов, что значительно снижает уровень сервиса.

Сейчас мировые тенденции в железнодорожном сообщении, в том числе и в пригородном, стремятся к максимальной технологичности и безотказности. Поставщики «умных решений» встречают самые строгие требования по системам диагностики состояния поездов, а также предсказания отказов с целью снижения рисков, и это подтверждается тем, что новые модели поездов поставляются со встроенными системами аналитики состояния.

Отказы пригородных электропоездов часто имеют неявный характер, поэтому предиктивная аналитика отлично проявляет себя в точности прогнозирования с указанием конкретного вагона и узла, которые находятся в стадии предотказных состояний.

Раннее обнаружение возникающих дефектов и отказов в работе позволяет диагностировать проблемы до того, как они превратятся в аварии. Это позволяет оперативно локализовать дефект, спланировать логистику запчастей и других ресурсов, провести плановый ремонт.

Предиктивные аналитические решения обрабатывают информацию с датчиков в реальном времени. Их применяют совместно с данными визуальных инспекций, замеров, выполненных вручную, видеозаписями, данными о работе оборудования и прочими полезными данными.

Решение «Умный локомотив»

С 2016 г. решение «Умный локомотив» внедряется в крупнейшем сервисном холдинге РФ – группе компаний «ЛокоТех», которая занимается ремонтом и обслуживанием локомотивов РЖД и имеет в своем управлении около 90 депо по всей территории РФ. Холдинг ремонтирует около 70% всех подвижных составов РФ.

Компанией Clover Group разработана и внедрена система интеллектуальной диагностики и прогноза технического состояния оборудования локомотивов. Модуль поиска аномалий сейчас внедрен на 4000 секций. Система Clover находит более 60 видов нарушений в работе оборудования и анализирует более 20 видов оборудования: генераторы тяговые, электродвигатели тяговые, насосы топливные, масляные, радиаторы водяные, турбокомпрессоры, тормоза реостатные и другие.

За период проведения опытной эксплуатации системой обработаны данные 2 000 000 часов эксплуатации локомотивов, автоматически найдено более 120 000 инцидентов в работе оборудования локомотивов. Решение интегрируется с ERP-системой клиента: заказ-наряды на производство формируются автоматически, опираясь на данные об инцидентах и отказах. Это дает возможность рассчитать ресурсы, необходимые для ремонта и своевременно обновить график захода локомотивов в депо для выполнения плановых и внеплановых ремонтов.

В результате использования решения повышена надежность и безопасность работы локомотивов на линиях – отказы на линии снижены на 32%. Время на диагностику локомотива сокращено с 4 часов до 10 минут. Кроме того, повышена экономическая эффективность процесса – штрафы ГК «ЛокоТех» от РЖД за невыполнение коэффициента технической готовности снижены более чем на 20%.

bezymyannyj1.png
Источник: Clover Group
Пример отчета о состоянии локомотива в системе «Умный локомотив»

Система «Умный локомотив» идентифицирует приближающиеся сбои в работе оборудования за несколько недель или месяцев до их наступления. Эта ценная информация дает заказчику возможность трансформировать процесс ремонта оборудования в процесс по состоянию.

Решение в своей работе использует данные телеметрии от бортовых микропроцессорных систем сбора и передачи данных (далее МСУ), систем диагностики и ERP-систем. Дополнительно используются данных о влиянии внешних факторов: погода, нарушения режимов эксплуатации и т.д. – с целью повышения точности прогнозирования.

Общий принцип работы решения "Умный локомотив"

МСУ получает информацию с датчиков, установленных в наиболее критичных подсистемах агрегатов, от систем ввода-вывода информации, а также от бортового компьютера. Система диагностирования состоит из сервера и рабочих мест. Аномалии, выявленные, при обработке данных на сервере, верифицируются на рабочих местах. Аномалия – это ситуация, в которой значение определенного показателя работы оборудования достаточно сильно отклоняется от прогнозируемого значения для данного режима работы. Сервер системы диагностирования предназначен для автоматической обработки данных с датчиков бортовых систем подвижного состава. Выявленные аномалии отправляются на верификацию, а также формируются замечания по выявленным инцидентам, которые отправляются в ERP-систему заказчика.

ERP-система формирует наряды на выполнение работ, фиксирует факт выполнения этих нарядов и информацию о выделении комплектующих под выполнение нарядов, а также передает сведения о выполненных работах и списанных комплектующих на сервер системы диагностирования. Математическая модель также постоянно переобучается за счет использования обратной связи от ERP-системы о выполненных ремонтных работах и сменных запасных частях.

Таким образом, диагност получает всю необходимую информацию о здоровье систем подвижного состава еще за 100 часов до захода локомотива в депо, что дает возможность принять соответствующие меры, запланировать обслуживание локомотива и предупредить риски, связанные с неплановыми отказами подвижных составов.

Предиктивные решения помогают поставщикам выстаивать с потребителями более продуктивные отношения благодаря получению новой важной информации, которая позволяет принимать более правильные решения. Такие продукты помогают производителям заранее определить длительность жизненных циклов их оборудования, а также помогают потребителям в отслеживании фактического и прогнозного технического состояния их оборудования с целью эффективного управления активами. Видение полной картины дает возможность заключения правильных договоров между поставщиками и потребителями с целью нахождения наиболее эффективных путей сотрудничества.

Применение на практике разработанных моделей позволяет значительно снизить стоимость обслуживания и эксплуатации локомотивного парка, минимизировать количество внеплановых ремонтов, тем самым повысить эксплуатационную надежность системы технического обслуживания и ремонта (ТОиР).

Clover PMM сочетает в себе функционал по интеграции данных, аналитику и опорные инструменты для принятия решений. Все это разработано как единое настроенное программное решение, которое можно с легкостью использовать в большинстве ИТ-инфраструктур. Clover Group применяет передовые достижения науки в области математики и инженерии для разработки технологий искусственного интеллекта и применения в промышленности.

Вернуться на главную страницу обзора